股票研究員 v9.0 — 深度板塊 + 深度指數 + 體制感知預測

純 Python 標準庫核心，零 pip 依賴。覆蓋 12 個全球市場 + 股票/基金/指數/債券/商品/期貨/貨幣基金/可轉債。 資料來源：騰訊 + 東方財富（免費無 Key）+ akshare（可選增強，未裝自動降級）。

⚠️ 支援範圍與限制（重要，請先讀）

支援的市場

限制條件

⚡ 快速上手

# 離線自檢 / 單股預測 / 批次多市場
python scripts/stock_predict.py --test
python scripts/stock_predict.py 600519
python scripts/stock_predict.py "600519,hk:00700,us:AAPL" --json

# 統一全資產量化分析（任意金融產品）
python -c "from stock_researcher import quant_analyze_asset; print(quant_analyze_asset('600519'))"

# v9.0 深度板塊/指數/體制感知預測
python scripts/stock_predict.py --sector-ranking cn      # 板塊RPS相對強度排名
python scripts/stock_predict.py --index-regime sh000001  # 市場體制（牛/熊/震盪）
python scripts/stock_predict.py --scenario               # 宏觀情景機率加權
python scripts/stock_predict.py --topdown cn             # 自上而下市場全景

v9.0 深度分析速查

# 板塊：相對強度 + 寬度 + 離散度 + 主題 + 輪動週期
from stock_researcher import rps_ranking, analyze_breadth, analyze_dispersion, \
    list_themes, analyze_theme, detect_cycle_stage
ranking = rps_ranking("cn")                 # RPS 百分位排名（真實成分股 vs 滬深300）
b = analyze_breadth("電子")                  # 寬度：%在MA20/50/200、Zweig推動、背離
d = analyze_dispersion("電子")               # 離散度：橫截面σ、龍頭-落後差、齊漲/分化
themes = list_themes("cn")                  # AI算力/人形機器人/低空經濟/固態電池...
t = analyze_theme("AI算力", "cn")            # 主題板塊強度+寬度+離散度+資金
stage = detect_cycle_stage("cn")            # 美林時鐘：早/中/晚週期/衰退機率

# 指數：體制 + 波動率 + 結構 + 內含 + 估值分位
from stock_researcher import classify_market_regime, analyze_volatility, \
    analyze_market_structure, analyze_market_internals, classify_index_valuation
reg = classify_market_regime("sh000001")    # 牛/熊/震盪 + 機率
vol = analyze_volatility("sh000001")        # 波動率體制（低/擴張/高/壓縮）
ms = analyze_market_structure("sh000001")   # 高低點結構 + 阻力/支撐
mi = analyze_market_internals("sh000300")   # 漲跌家數 + McClellan（混合資料策略）
iv = classify_index_valuation("sh000300")   # 真實 PE 歷史分位（多級降級不編造）

# 體制感知預測（regime="auto" 一鍵開啟；預設 None 與 v8.0 行為一致）
from stock_researcher.fusion.multi_horizon_forecaster import MultiHorizonForecaster
fc = MultiHorizonForecaster().forecast_stock("600519", regime="auto")
print(fc.regime, fc.horizons["1M"].regime, fc.horizons["1M"].consensus)

# 宏觀情景 + 校準
from stock_researcher import analyze_scenarios, calibrate_confidence
rep = analyze_scenarios(base_return=0.08, base_vol=0.20)   # 6情景機率加權+尾部
adj = calibrate_confidence(0.7, horizon="1M")               # 歷史校準後置信度

# 自上而下全景（三支柱一條線）
from stock_researcher import build_topdown
print(build_topdown("cn").summary)

# v9.2 定期報告解讀（年報/半年報/季報 同比環比 + 亮點風險 + 中文報告）
from stock_researcher import interpret_report, format_report
rep = interpret_report("600519", period="2024")     # "2024"=年報；"2025Q3"/"2025H1"/"2024-06-30" 亦可
print(rep.verdict, rep.metrics["revenue_yoy"], rep.metrics["net_profit_yoy"])
print(format_report(rep))

🚀 Agent 執行指南（先探測環境，再分析，最後按模板輸出）

Step 1: 執行時檢測（不要假設環境，先探測再決策）

# ① Python 直譯器（Windows 優先用 py launcher 定位）
python --version 2>/dev/null || py --version 2>/dev/null || echo "NO_PYTHON"

# ② 可選依賴探測（決定降級路徑）
python -c "import akshare" 2>/dev/null && echo "AKSHARE_OK" || echo "AKSHARE_MISSING"
python -c "import numpy, sklearn" 2>/dev/null && echo "ML_OK" || echo "ML_MISSING"

# ③ 資料來源連通性（騰訊/東財需國內直連，開代理會失敗）
python scripts/stock_predict.py --test

Step 2: 按需求選擇入口（引數預設值見下表）

批次/快速場景優先加 --simple --quick（跳過蒙特卡洛 + 全球風險偏好，提速約 60%）。

引數預設值

Step 3: 輸出報告（結構化模板，編號分節）

每次分析按以下模板輸出，資料缺失時如實標註，不編造：

1. 標的概覽 — 程式碼 / 名稱 / 市場 / 最新價 / 漲跌幅 / 資料時效（data_freshness）
2. 核心指標 — 評分、方向、置信度、關鍵量化指標（Sharpe/最大回撤/PE 分位等）
3. 多週期預測 — 1d/5d/1M/3M/6M 方向 + 機率 + 共識度（regime 開啟時附體制標籤）
4. 風險提示 — VaR/最大回撤/情景尾部風險 + 資料質量標記（actual/derived/estimated/unavailable）
5. 結論 — 一句話結論 + 免責宣告（僅供學習參考，不構成投資建議）

核心能力總覽

資料層（v8.0 真實資料）

量化模型（v8.0）

# 組合最佳化（純 stdlib，不依賴 numpy/scipy）
from stock_researcher.quantitative.portfolio_models import mean_variance_optimize, allocate_portfolio
weights = mean_variance_optimize(returns_matrix, risk_aversion=2.5)["weights"]
port = allocate_portfolio(returns_matrix, method="risk_parity")

# 蒙特卡洛增強（跳躍擴散 + 肥尾 t）
from stock_researcher.quantitative.scenario_simulator import quick_scenario_forecast
r = quick_scenario_forecast(prices, distribution="t", use_jumps=True, dof=5)

# ML 預測疊加 + 進化閉環
from stock_researcher.fusion.multi_horizon_forecaster import MultiHorizonForecaster
fc = MultiHorizonForecaster().forecast_stock("600519", track=True)  # track 寫入 PredictionTracker

全資產統一入口

from stock_researcher import quant_analyze_asset
r = quant_analyze_asset("600519")            # 股票
r = quant_analyze_asset("128046")            # 可轉債（11/12 開頭自動識別）
r = quant_analyze_asset("gold")              # 商品
r = quant_analyze_asset("510300", asset_type="fund")  # ETF
# 返回：metrics(QuantMetrics) + scenario(蒙特卡洛) + forecast(多週期) + asset_specific

預測鏈路（三棧關係）

• scripts/stock_predict.py：CLI 七維評分（趨勢/動量/量價/波動/機率/環境/黃金）+ 蒙特卡洛，零依賴單股快速預測
• fusion/multi_horizon_forecaster：主預測鏈路，十維訊號融合 1d~6M，v8.0 疊加 ML 短期機率 + 進化閉環
• core/prediction_engine：三維預測（情緒/估值/歷史/技術）+ GBM 蒙特卡洛

  小蔥技能7w4.net有更新，你可以訪問看下。

• 三棧獨立可並用；v8.0 quant_analyze_asset 統一收口全資產預測

核心模組 API

版本歷史

目錄速查

scripts/stock_researcher/
├── data/            # 資料來源（騰訊/東財/新浪/akshare 可選）+ 多源管理器 + 資料質量
│                    #   + v9.0: macro_series 宏觀序列 / index_constituents 指數成分
├── quantitative/    # 量化（指標/因子/組合最佳化/MC/回測/債券/貨基/可轉債/全資產入口）
│                    #   + v9.0: scenario_engine 宏觀情景引擎
├── fusion/          # 十維訊號融合多週期預測（含 ML overlay + 進化閉環）
│                    #   + v9.0: regime_overlay 體制權重 / signal_consensus 共識度
├── core/            # 分析器/預測引擎/技術/估值
├── value_investing/ # DCF/護城河/財務健康
├── funds/           # 基金量化
├── index_analysis/  # 指數：IndexAnalyzer + v9.0: 體制/波動率/結構/內含/估值分位
├── sector_analysis/ # 板塊：Analyzer/Rotation + v9.0: RPS/寬度/離散度/主題/輪動週期
├── evolution/       # 回測 + 預測追蹤（進化閉環）+ v9.0: calibration 預測校準
├── analysis/        # 五維聚合/資產推演 + v9.0: top_down 自上而下全景
├── sentiment/ agents/ screening/ advisor/ tracker/ # 輿情/大師/篩選/投顧/跟蹤
├── research/        # 券商研報/宏觀訊號 + v9.2: financial_report 定期報告解讀
scripts/stock_predict.py   # CLI 預測引擎（零依賴，v9.0 新命令 --sector-ranking 等）
pkg/fund_analyzer.py       # 基金深度分析
tests/                     # 501 測試（python runtests.py）

❓ 常見問題與避坑指南（FAQ）

Q1: 開了代理（VPN）後資料獲取失敗？

A: 騰訊/東財資料來源只接受國內 IP，開啟代理反而會失敗。解決方案：關閉代理後再執行，或設定代理繞過國內地址。

Q2: 港股/美股程式碼怎麼寫？

A: 必須加市場字首：

python scripts/stock_predict.py hk:00700      # 港股騰訊
python scripts/stock_predict.py us:AAPL        # 美股蘋果
python scripts/stock_predict.py "600519,hk:00700,us:AAPL"  # 批次

Q3: 全球指數程式碼怎麼寫？

A: 用 idx: 字首 + 指數程式碼：

python scripts/stock_predict.py idx:N225       # 日經225
python scripts/stock_predict.py idx:SPX        # 標普500
python scripts/stock_predict.py idx:上證指數    # 中文名也行

Q4: 預測評分 70 分是不是一定會漲？

A: 不是。 評分 70 表示歷史上相似條件下約 70% 的情況上漲，不保證未來。請結合基本面、政策、市場情緒綜合判斷。

Q5: 返回的資料是即時的嗎？

A: 不是。騰訊/東財介面延遲約 3~5 秒，非交易時段返回上一交易日收盤價。不適合做高頻交易參考。

Q6: akshare 相關功能報錯？

A: akshare 是可選依賴，未安裝時自動降級。如需使用：

pip install akshare

Q7: 速度太慢怎麼辦？

A: 使用 --quick 模式跳過蒙特卡洛模擬和全球風險偏好獲取，速度提升約 60%：

python scripts/stock_predict.py 600519 --simple --quick

Q8: 如何判斷工具是否正常工作？

A: 執行離線自檢：

python scripts/stock_predict.py --test

📘 更多問題請檢視 README.md 或執行 python runtests.py 驗證環境。

免責宣告

⚠️ 本工具僅供學習參考，不構成任何形式的投資建議。 股市有風險，投資需謹慎。

這個 Skill 功能非常豐富，覆蓋股票、基金、債券、黃金等多個市場的分析預測，做得好的地方是零依賴核心設計（不用裝很多包就能用）和分層可選的增強功能。但整體比較複雜，新手可能不太容易上手，而且文件標註了需要國內直連環境，海外使用者使用會有問題。程式碼規模較大，後續維護和更新可能會比較費力。總體質量中上，功能全面但有一定學習門檻。